移动世界模型如何指导GUI智能体？

arXiv 2026 54.6 method, benchmark, application

TLDR

研究移动世界模型如何通过四种模态引导GUI代理，并评估其下游效用。

评分理由

The paper provides a systematic comparison of world model modalities and demonstrates strong empirical results on multiple benchmarks, which is a strength. However, the abstract does not detail limitations or failure cases, and the focus on mobile GUI agents may limit generalizability.

Read-first 评分解释

综合优先阅读分 54.6，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 42。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

78.1

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.78057447

主题相关性 29%

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：结果

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：284。

关键词评分

world model

generative world model

world dynamics prediction

interactive world model

world simulator

model-based reinforcement learning world model

video world model

深度分析

创新点

训练了四种模态的世界模型：delta文本、完整文本、基于扩散的图像和可渲染代码。
在MobileWorldBench和Code2WorldBench上取得了最先进的性能。
发现可渲染代码重建提供了高分布内保真度和有效的多模态监督，而基于文本的反馈在在线分布外执行中更鲁棒。
证明了世界模型生成的轨迹可以提升代理的端到端任务性能，尽管未保留原始分布。
发现对于过度自信的代理，世界模型更适合作为先验感知或训练监督，而非通用的后验验证器。

方法

作者筛选并标注移动世界模型数据，然后训练四种模态的世界模型：delta文本、完整文本、基于扩散的图像和可渲染代码。在MobileWorldBench和Code2WorldBench上评估这些模型以进行最先进比较，并在AITZ、AndroidControl和AndroidWorld上评估下游效用，从而得出关于表示效用、轨迹迁移以及世界模型作用的发现。

关键结果

所提出的世界模型在MobileWorldBench和Code2WorldBench上均取得了最先进的结果。三个关键发现：可渲染代码在分布内表现优异，但文本在分布外更鲁棒；世界模型轨迹尽管存在分布偏移，仍能改善代理训练；世界模型更适合作为先验感知或训练监督，而非作为过度自信代理的后验验证器。

局限性

世界模型生成的轨迹未保留原始数据分布。
后验自我反思对低动作熵的过度自信移动代理提供的改进有限。
与基于文本的反馈相比，可渲染代码重建的分布外鲁棒性有限。

技术栈

视觉语言模型世界模型扩散模型代码生成

资源

论文